論文の概要: GREAT: Generalizable Representation Enhancement via Auxiliary Transformations for Zero-Shot Environmental Prediction

• arxiv url: http://arxiv.org/abs/2511.13469v1
• Date: Mon, 17 Nov 2025 15:11:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:25.322172
• Title: GREAT: Generalizable Representation Enhancement via Auxiliary Transformations for Zero-Shot Environmental Prediction
• Title（参考訳）: GREAT: ゼロショット環境予測のための補助変換による一般化可能な表現強化
• Authors: Shiyuan Luo, Chonghao Qiu, Runlong Yu, Yiqun Xie, Xiaowei Jia,
• Abstract要約: 補助変換(GREAT)による一般化可能な表現の促進 GREATは、利用可能なデータセットを効果的に拡張し、完全に見えない地域での予測を改善するフレームワークである。 米国東部の6つの生態学的に多様な流域におけるGREATの有効性を実証する。
• 参考スコア（独自算出の注目度）: 27.332543340013814
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Environmental modeling faces critical challenges in predicting ecosystem dynamics across unmonitored regions due to limited and geographically imbalanced observation data. This challenge is compounded by spatial heterogeneity, causing models to learn spurious patterns that fit only local data. Unlike conventional domain generalization, environmental modeling must preserve invariant physical relationships and temporal coherence during augmentation. In this paper, we introduce Generalizable Representation Enhancement via Auxiliary Transformations (GREAT), a framework that effectively augments available datasets to improve predictions in completely unseen regions. GREAT guides the augmentation process to ensure that the original governing processes can be recovered from the augmented data, and the inclusion of the augmented data leads to improved model generalization. Specifically, GREAT learns transformation functions at multiple layers of neural networks to augment both raw environmental features and temporal influence. They are refined through a novel bi-level training process that constrains augmented data to preserve key patterns of the original source data. We demonstrate GREAT's effectiveness on stream temperature prediction across six ecologically diverse watersheds in the eastern U.S., each containing multiple stream segments. Experimental results show that GREAT significantly outperforms existing methods in zero-shot scenarios. This work provides a practical solution for environmental applications where comprehensive monitoring is infeasible.
• Abstract（参考訳）: 環境モデリングは、地理的に不均衡な観測データによって、監視されていない地域をまたいだ生態系のダイナミクスを予測する上で重要な課題に直面している。 この課題は空間的不均一性によって複雑化され、モデルが局所データにのみ適合する急激なパターンを学習する原因となる。 従来の領域の一般化とは異なり、環境モデリングは拡張中に不変な物理的関係と時間的コヒーレンスを保持する必要がある。 本稿では、利用可能なデータセットを効果的に拡張し、完全に見えない地域での予測を改善するフレームワークである、Auxiliary Transformations (GREAT)によるGeneralizable Representation Enhancementを導入する。 GREATは、拡張処理をガイドして、元の管理プロセスが拡張データから復元できることを保証し、拡張データを含めることで、モデル一般化の改善につながる。 具体的には、GREATは、ニューラルネットワークの複数の層における変換機能を学び、生環境の特徴と時間的影響の両方を増強する。 これらは、元のソースデータのキーパターンを保存するために、拡張データを制約する、新しいバイレベルトレーニングプロセスによって洗練される。 GREATが米国東部の6つの生態学的に多様な流域にまたがる河川温度予測に有効であることを示す。 実験の結果,GREATはゼロショットシナリオにおいて既存手法よりも有意に優れていた。 この研究は、包括的なモニタリングが不可能な環境アプリケーションに対して、実用的なソリューションを提供する。

関連論文リスト

• Improving Deepfake Detection with Reinforcement Learning-Based Adaptive Data Augmentation [60.04281435591454]
  CRDA(Curriculum Reinforcement-Learning Data Augmentation)は、マルチドメインの偽造機能を段階的にマスターするための検出器を導く新しいフレームワークである。 私たちのアプローチの中心は、強化学習と因果推論を統合することです。 提案手法は検出器の一般化性を大幅に向上し,複数のクロスドメインデータセット間でSOTA法より優れている。
  論文  参考訳（メタデータ） (2025-11-10T12:45:52Z)
• Evolving Graph Learning for Out-of-Distribution Generalization in Non-stationary Environments [61.62036321848316]
  グラフニューラルネットワーク(GNN)は、動的グラフ上の空間的パターンと時間的パターンを利用する際、顕著な成功を収めている。 既存のGNNは、動的シナリオでは避けられない分散シフトの下での能力の低下を示す。 本稿では環境対応不変パターン認識によるグラフ一般化(Evoal)の進化のための進化型グラフ学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-04T08:22:29Z)
• FrogDeepSDM: Improving Frog Counting and Occurrence Prediction Using Multimodal Data and Pseudo-Absence Imputation [0.9537146822132906]
  種分布モデル (SDM) は、広範囲にわたる種の存在を予測するのに役立つ。 本研究では,深層学習とデータ計算技術を適用して,カエル(Anura)のSDM精度を向上させる。 実験の結果、データバランスはモデル性能を大幅に改善し、カエルカウントタスクにおいて平均絶対誤差(MAE)が189から29に削減された。
  論文  参考訳（メタデータ） (2025-10-22T07:09:36Z)
• Globalization for Scalable Short-term Load Forecasting [7.654516721062505]
  本稿では,データドリフトの存在下でのグローバルな負荷予測について検討する。 グローバリゼーション、データ不均一性、データドリフトがそれぞれどう影響するかを示す。 また,ピーク負荷予測におけるグローバリゼーションの役割と階層予測の可能性についても検討した。
  論文  参考訳（メタデータ） (2025-07-15T20:58:14Z)
• PEER pressure: Model-to-Model Regularization for Single Source Domain Generalization [12.15086255236961]
  対象領域におけるこのような拡張に基づく手法の性能は、訓練中に普遍的に変動することを示す。 本稿では,新しい一般化法を提案する。 Space Ensemble with Entropy Regularization (PEER) – プロキシモデルを使用して、拡張データを学ぶ。
  論文  参考訳（メタデータ） (2025-05-19T06:01:11Z)
• Counterfactual experience augmented off-policy reinforcement learning [9.77739016575541]
  CEAは効率的な推論モデルを構築し、学習データの表現性を向上する。 変分オートエンコーダを使用して状態遷移の動的パターンをモデル化する。 学習データのアウト・オブ・ディストリビューション問題を緩和するために、完全な反ファクト体験を構築する。
  論文  参考訳（メタデータ） (2025-03-18T02:32:50Z)
• Trajectory World Models for Heterogeneous Environments [67.27233466954814]
  環境を横断するセンサーやアクチュエータの不均一性は、大規模な事前訓練された世界モデルを構築する上で大きな課題となる。 我々は80の環境から100万以上のトラジェクトリからなる統一データセットUniTrajを紹介した。 また,様々なセンサやアクチュエータ情報を扱える新しいアーキテクチャであるTrajWorldを提案する。
  論文  参考訳（メタデータ） (2025-02-03T13:59:08Z)
• Generative adversarial networks for data-scarce spectral applications [0.0]
  合成スペクトルデータ生成分野におけるGANの応用について報告する。 CWGANは,低データ方式の性能向上を図り,サロゲートモデルとして機能することを示す。
  論文  参考訳（メタデータ） (2023-07-14T16:27:24Z)
• Handling Distribution Shifts on Graphs: An Invariance Perspective [78.31180235269035]
  我々は、グラフ上のOOD問題を定式化し、新しい不変学習手法である探索・拡張リスク最小化(EERM)を開発する。 EERMは、複数の仮想環境からのリスクの分散を最大化するために、敵対的に訓練された複数のコンテキストエクスプローラーを利用する。 理論的に有効なOOD解の保証を示すことによって,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2022-02-05T02:31:01Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。